論文の概要: A Comprehensive Survey on Enterprise Financial Risk Analysis from Big Data Perspective

• arxiv url: http://arxiv.org/abs/2211.14997v3
• Date: Fri, 5 May 2023 08:07:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 17:22:00.461488
• Title: A Comprehensive Survey on Enterprise Financial Risk Analysis from Big Data Perspective
• Title（参考訳）: ビッグデータから見た企業財務リスク分析に関する総合調査
• Authors: Yu Zhao, Huaming Du, Qing Li, Fuzhen Zhuang, Ji Liu, Gang Kou
• Abstract要約: 本稿では,ビッグデータの観点から企業リスク分析手法の体系的な文献調査を行う。 私たちの知る限りでは、ビッグデータの観点からの企業財務リスクに関する調査は、これが初めてで唯一のものです。
• 参考スコア（独自算出の注目度）: 32.817722789560484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enterprise financial risk analysis aims at predicting the future financial risk of enterprises. Due to its wide and significant application, enterprise financial risk analysis has always been the core research topic in the fields of Finance and Management. Based on advanced computer science and artificial intelligence technologies, enterprise risk analysis research is experiencing rapid developments and making significant progress. Therefore, it is both necessary and challenging to comprehensively review the relevant studies. Although there are already some valuable and impressive surveys on enterprise risk analysis from the perspective of Finance and Management, these surveys introduce approaches in a relatively isolated way and lack recent advances in enterprise financial risk analysis. In contrast, this paper attempts to provide a systematic literature survey of enterprise risk analysis approaches from Big Data perspective, which reviews more than 250 representative articles in the past almost 50 years (from 1968 to 2023). To the best of our knowledge, this is the first and only survey work on enterprise financial risk from Big Data perspective. Specifically, this survey connects and systematizes the existing enterprise financial risk studies, i.e. to summarize and interpret the problems, methods, and spotlights in a comprehensive way. In particular, we first introduce the issues of enterprise financial risks in terms of their types,granularity, intelligence, and evaluation metrics, and summarize the corresponding representative works. Then, we compare the analysis methods used to learn enterprise financial risk, and finally summarize the spotlights of the most representative works. Our goal is to clarify current cutting-edge research and its possible future directions to model enterprise risk, aiming to fully understand the mechanisms of enterprise risk generation and contagion.
• Abstract（参考訳）: 企業金融リスク分析は、企業の将来の金融リスクを予測することを目的としている。 その広範かつ重要な応用により、企業の金融リスク分析は常に金融・経営分野の中核的な研究テーマとなっている。 高度なコンピュータ科学と人工知能技術に基づき、エンタープライズリスク分析研究は急速に発展し、大きな進歩を遂げている。 したがって、関連する研究を総合的に見直すことは必要かつ困難である。 金融・マネジメントの観点からは、企業リスク分析に関する有意義で印象的な調査がすでに行われているが、これらの調査は比較的孤立したアプローチを導入し、企業金融リスク分析の最近の進歩を欠いている。 対照的に本稿では,過去50年間(1968年から2023年)に250以上の代表的な論文をレビューしたビッグデータの観点から,企業リスク分析アプローチに関する体系的文献調査を試みている。 私たちの知る限りでは、ビッグデータの観点から企業の金融リスクに関する調査は、これが初めてで唯一のものです。 具体的には、既存の企業金融リスク研究、すなわち問題、方法、スポットライトを包括的に要約し、解釈するために接続し、体系化する。 特に,企業財務リスクの問題を,そのタイプ,粒度,インテリジェンス,評価指標の観点から紹介し,対応する代表的業績を要約する。 次に、企業財務リスクの学習に使用される分析手法を比較し、最終的に代表的作品のスポットライトを要約する。 我々のゴールは、企業リスクの発生と伝染のメカニズムを十分に理解することを目的として、企業リスクをモデル化するための最先端の研究とその今後の方向性を明らかにすることである。

関連論文リスト

• Navigating the Risks: A Survey of Security, Privacy, and Ethics Threats in LLM-Based Agents [67.07177243654485]
  この調査は、大規模言語モデルに基づくエージェントが直面するさまざまな脅威を収集、分析する。 LLMをベースとしたエージェントの6つの重要な特徴を概説する。 4つの代表エージェントをケーススタディとして選択し,実践的に直面する可能性のあるリスクを分析した。
  論文  参考訳（メタデータ） (2024-11-14T15:40:04Z)
• Analysis of Financial Risk Behavior Prediction Using Deep Learning and Big Data Algorithms [7.713045399751312]
  本稿では,金融リスク予測のためのディープラーニングとビッグデータアルゴリズムの有効性と有効性について検討する。 ディープラーニングベースのビッグデータリスク予測フレームワークを設計し、実際の財務データセット上で実験的に検証する。
  論文  参考訳（メタデータ） (2024-10-25T08:52:04Z)
• Research and Design of a Financial Intelligent Risk Control Platform Based on Big Data Analysis and Deep Machine Learning [2.766666938196471]
  本稿では、金融機関の内部および外部データの完全統合を実現するために、ビッグデータ技術を完全に活用する方法を考察する。 この記事では、ビッグデータマイニングとリアルタイムストリーミングデータ処理技術を採用して、さまざまなビジネスデータを監視し、分析し、警告する。
  論文  参考訳（メタデータ） (2024-09-16T14:41:41Z)
• A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges [60.546677053091685]
  大規模言語モデル(LLM)は金融分野における機械学習アプリケーションに新たな機会を開放した。 我々は、従来のプラクティスを変革し、イノベーションを促進する可能性に焦点を当て、様々な金融業務におけるLLMの適用について検討する。 本稿では,既存の文献を言語タスク,感情分析,財務時系列,財務推論,エージェントベースモデリング,その他の応用分野に分類するための調査を紹介する。
  論文  参考訳（メタデータ） (2024-06-15T16:11:35Z)
• Application of Natural Language Processing in Financial Risk Detection [11.494469754549753]
  本稿では,金融リスク検出における自然言語処理(NLP)の適用について検討する。 本研究は,NLPに基づく金融リスク検出モデルの構築により,金融文書や通信における潜在的なリスクを特定し,予測することを目的とする。
  論文  参考訳（メタデータ） (2024-06-14T07:06:24Z)
• RiskLabs: Predicting Financial Risk Using Large Language Model Based on Multi-Sources Data [8.145265717016718]
  textbfRiskLabsは,大規模言語モデル(LLM)を利用して財務リスクを分析し,予測する新しいフレームワークである。 提案手法は,Earnings Conference Calls (ECC) の抽出と解析,市場関連時系列データ,ECCリリース日を取り巻くコンテキストニュースデータなど,多段階的なプロセスを含む。 RiskLabsは、マルチモーダルフュージョン技術を使用して、これらのさまざまなデータ特徴を、包括的なマルチタスクの金融リスク予測に適合させる。
  論文  参考訳（メタデータ） (2024-04-11T03:14:50Z)
• FinBen: A Holistic Financial Benchmark for Large Language Models [75.09474986283394]
  FinBenは、24の財務タスクにまたがる36のデータセットを含む、最初の大規模なオープンソース評価ベンチマークである。 FinBenは、幅広いタスクとデータセット、ストックトレーディングの最初の評価、新しいエージェントと検索可能な生成(RAG)の評価、およびテキスト要約、質問応答、株式トレーディングのための3つの新しいオープンソース評価データセットを提供する。
  論文  参考訳（メタデータ） (2024-02-20T02:16:16Z)
• FinPT: Financial Risk Prediction with Profile Tuning on Pretrained Foundation Models [32.7825479037623]
  FinPTは、金融リスク予測のための新しいアプローチであり、大規模な事前訓練された基礎モデルに基づいてプロファイルチューニングを行う。 FinBenchは、デフォルト、詐欺、チャーンといった金融リスクに関する高品質なデータセットのセットである。
  論文  参考訳（メタデータ） (2023-07-22T09:27:05Z)
• Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph with Hierarchical Graph Neural Networks [62.94317686301643]
  企業の金融リスクはユビキタスであり、上場企業に対する早期のリスク評価は、かなりの損失を避けることができる。 従来の手法は主に企業の財務諸表に重点を置いており、企業間の複雑な関係は欠如している。 比較学習を用いて部族の構造パターンを符号化する階層型グラフニューラルネット(TH-GNN)と、トライブ間の関係に基づいて情報を拡散する第2の階層型グラフニューラルネット(TH-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-01-31T09:17:13Z)
• FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
  我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。 我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。 その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
  論文  参考訳（メタデータ） (2021-09-01T00:08:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。